A gépi tanulás szerepe a szívelégtelenség modern kezelési stratégiájában

Gáspár, Dániel and Komlósi, Ferenc and Bohus, Gyula and Tóth, Patrik and Sax, Balázs and Heltai, Krisztina and Vándor, László and Becker, Dávid and Merkely, Béla Péter and Nagy, Klaudia Vivien (2024) A gépi tanulás szerepe a szívelégtelenség modern kezelési stratégiájában. CARDIOLOGIA HUNGARICA, 54 (3). pp. 234-242. ISSN 0133-5596

Preview

Text CH_2024_3_GasparDaniel.pdf Download (476kB) | Preview

Abstract

Introduction: The use of machine learning is exploding in all areas of healthcare, including the diagnosis and treatment of heart failure. Supervised machine learning can help predict the onset of heart failure, establish the diagnosis, and even predict decompensations. Conversely, unsupervised machine learning is chiefly used for phenotyping of the heart failure population. Several studies have identified distinctive groups of heart failure patients, but the widespread clinical implementation is still lacking. Aims: Our study aims to identify groups with similar characteristics among patients followed up in outpatient care for heart failure with moderately reduced or reduced ejection fraction (HFmrEF or HFrEF) at the Heart and Vascular Center of Semmelweis University using unsupervised machine learning and to describe the characteristic features of the resulting groups. We then examine the differences in outcome between the patient clusters. Methods: data from patients with HFmrEF or HFrEF were collected in a prospective registry between January 2022 and September 2023. A total of 27 parameters included medical history, laboratory tests, echocardiographic parameters and EQ-5D quality of life questionnaire scores. The composite of hospitalization for heart failure and all-cause mortality was considered as the endpoint of the study. Spectral clustering was used to divide the population into three groups. The groups were plotted spatially using principal component analysis. Finally, we compared the groups both in terms of parameters and endpoint occurrence. Results: Three characteristic groups were identified in the analysis of 259 patients. The first group consisted of 89 patients with ischemic etiology, more symptoms, renal failure, and requiring diuretic therapy. The second group of 99 patients consisted of predominantly younger patients with atrial fibrillation, non-ischemic cardiomyopathy, dilated left ventricle, and a lower ejection fraction, almost exclusively on ARNI therapy. The third group of 71 patients included patients with the highest ejection fraction, more frequently intaking ACE inhibitors and MRAs, and not requiring loop diuretics. Group 1 had significantly worse prognosis than group 2 (p=0.013) with a trend towards worse prognosis compared to group 3. Conclusion: Our study identified three distinct groups of heart failure patients with different characteristics enrolled in a prospective HFrEF registry. After validation on a larger patient cohort, our data may provide a basis for developing targeted treatment strategies. Összefoglalás Bevezetés: A gépi tanulás felhasználása robbanásszerűen növekszik az egészségügyben, így a szívelégtelenség diagnosztikájában és kezelésében is. A felügyelt gépi tanulás jelentősen hozzájárulhat a szívelégtelenség kialakulásának előrejelzéséhez, a diagnózis felállításához, vagy adott esetben egy dekompenzációs epizód megjóslásához. Ezzel szemben a nem felügyelt gépi tanulás szerepe a szívelégtelen populáció jellegzetes fenotípusokra való felosztásában kiemelkedő. Számos tanulmányban azonosítottak jellegzetes szívelégtelen betegcsoportokat, azonban ezen csoportosítások közül eddig egy sem nyert széles körű klinikai alkalmazást. Célkitűzés: Kutatásunk célja, hogy a Semmelweis Egyetem Városmajori Szív- és Érgyógyászati Klinikáján közepesen csökkent vagy csökkent balkamra-funkciójú szívelégtelenség (HFmrEF/HFrEF) miatt gondozott betegek között hasonló tulajdonságokkal bíró csoportokat azonosítsunk nem felügyelt gépi tanulás segítségével, és leírjuk az így kapott csoportok jellegzetes tulajdonságait. Ezután megvizsgáljuk a kapott csoportok közötti különbségeket kimenetel tekintetében. Módszerek: HFmrEF vagy HFrEF miatt ambulánsan gondozott betegek adatait 2022. január és 2023. szeptember között egy prospektív regiszterbe gyűjtöttük. Az összesen 27 paraméter között anamnesztikus adatok, laborvizsgálatok, echokardiográfiás paraméterek és az EQ-5D életminőség-kérdőív pontszámait rögzítettük. A vizsgálat végpontjának a szívelégtelenség miatti hospitalizáció és az összmortalitás kompozitját tekintettük. Spektrális klaszterezéssel osztottuk fel a populációt három csoportra. A csoportokat főkomponens-analízis segítségével térben ábrázoltuk. Végül, összehasonlítottuk a csoportokat mind az egyes paraméterek, mind a végpontok előfordulása szempontjából. Eredmények: A 259 beteg elemzése során három jellegzetes csoportot azonosítottunk. Az első csoportba 89 iszkémiás etiológiával rendelkező, panaszosabb, veseelégtelen, kacsdiuretikum-terápiára szoruló betegek tartoztak. A második, 99 főből álló betegcsoport döntően fiatalabb, pitvarfibrilláló, noniszkémiás betegeket tartalmazott, tágabb szívüregekkel és alacsonyabb ejekciós frakcióval. Köztük szinte kizárólag ARNI-szedők voltak, és gyakrabban szedtek SGLT2-gátlót. A harmadik, 71 betegből álló csoportba a legjobb ejekciós frakciójú, gyakran ACE-gátló és MRA-szedő, kacsdiuretikumokat nem igénylő betegek tartoztak. Az 1-es csoport prognózisa szignifikánsan rosszabb, mint a 2-es csoporté (p=0,013) és trendszerűen rosszabb a 3-as csoporténál. Konklúzió: Vizsgálatunkban egy prospektíven vezetett HFrEF-regiszter alapján három, számos tulajdonságában eltérő betegcsoportot azonosítottunk. Adataink nagyobb elemszámú validáció után alapul szolgálhatnak célzott kezelési stratégiák kialakításához.

Actions (login required)

Edit Item